CPM.cmake项目中的FetchContent_Populate函数弃用问题解析
2025-06-24 07:21:37作者:柏廷章Berta
背景介绍
随着CMake 3.30版本的发布,开发者在构建系统中使用CPM.cmake时会遇到一个新的警告信息,提示FetchContent_Populate()函数已被标记为弃用(deprecated),建议改用FetchContent_MakeAvailable()函数。这一变更反映了CMake团队对模块依赖管理方式的改进方向。
问题本质
在CPM.cmake项目中,当通过cpmaddpackage命令添加依赖包时,内部会调用FetchContent_Populate()函数来处理包的获取和配置。CMake 3.30引入的CMP0169策略明确表示,直接调用FetchContent_Populate()的方式将被逐步淘汰。
技术细节分析
FetchContent_Populate()函数传统上用于填充(populate)通过FetchContent_Declare()声明的依赖项内容。它主要执行以下操作:
- 下载源代码
- 解压或克隆到本地目录
- 准备构建环境
而新的FetchContent_MakeAvailable()函数则提供了更高级的抽象,它不仅完成上述操作,还会自动处理依赖项的配置和构建,简化了开发者的工作流程。
影响范围
这一变更主要影响:
- 使用CPM.cmake作为包管理工具的项目
- 直接调用
FetchContent_Populate()的自定义脚本 - 需要精确控制依赖项填充过程的复杂构建系统
解决方案建议
对于CPM.cmake用户,建议采取以下措施:
- 短期方案:可以通过设置
CMP0169策略为OLD来暂时抑制警告,但这只是临时解决方案 - 长期方案:等待CPM.cmake官方更新,改用
FetchContent_MakeAvailable()实现 - 自定义脚本:如果项目中有直接调用
FetchContent_Populate()的地方,应尽快重构为使用新API
潜在问题
需要注意的是,在转换到FetchContent_MakeAvailable()的过程中,可能会遇到一些特殊情况:
- 当依赖项名称使用小写字母时,与
SOURCE_SUBDIR配合使用可能出现问题 - 某些自定义的构建步骤可能需要调整以适应新的API行为
- 复杂的依赖关系链可能需要重新评估
最佳实践
为了平稳过渡到新版本:
- 保持CPM.cmake更新到最新版本
- 在CI环境中测试CMake 3.30的兼容性
- 逐步替换旧的
FetchContent_Populate()调用 - 关注CMake官方关于此变更的进一步说明
结论
CMake 3.30对FetchContent_Populate()的弃用是构建系统现代化进程的一部分,虽然短期内可能带来一些适配工作,但从长远来看,使用FetchContent_MakeAvailable()将提供更简洁、更可靠的依赖管理体验。CPM.cmake作为流行的CMake包管理工具,预计将在后续版本中完成这一转换,为用户提供无缝的升级体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137